TensorFlow 程式設計概念

學習目標：

構建乙個簡單的 tensorflow 程式，使用該程式繪製乙個預設圖並建立乙個執行該圖的會話

注意：請仔細閱讀本教程。tensorflow 程式設計模型很可能與您遇到的其他模型不同，因此可能不如您期望的那樣直觀。

tensorflow 的名稱源自張量，張量是任意維度的陣列。

tensorflow指令會建立、銷毀和操控張量。典型 tensorflow 程式中的大多數**行都是指令。

tensorflow圖（也稱為計算圖或資料流圖）是一種圖資料結構。很多 tensorflow 程式由單個圖構成，但是 tensorflow 程式可以選擇建立多個圖。圖的節點是指令；圖的邊是張量。張量流經圖，在每個節點由乙個指令操控。乙個指令的輸出張量通常會變成後續指令的輸入張量。tensorflow 會實現延遲執行模型，意味著系統僅會根據相關節點的需求在需要時計算節點。

張量可以作為常量或變數儲存在圖中。您可能已經猜到，常量儲存的是值不會發生更改的張量，而變數儲存的是值會發生更改的張量。不過，您可能沒有猜到的是，常量和變數都只是圖中的一種指令。常量是始終會返回同一張量值的指令。變數是會返回分配給它的任何張量的指令。

使用tf.constant指令定義常量，並傳入它的值。例如：

x = tf.constant([5.2])

使用tf.variable指令定義建立變數，並傳入它的值。例如：

y = tf.variable([5])

或者，您也可以先建立變數，然後再如下所示地分配乙個值（注意：您始終需要指定乙個預設值）：

y = tf.variable([0])
y = y.assign([5])

定義一些常量或變數後，您可以將它們與其他指令（如tf.add）結合使用。在評估tf.add指令時，它會呼叫您的tf.constant或tf.variable指令，以獲取它們的值，然後返回乙個包含這些值之和的新張量。

圖必須在 tensorflow會話中執行，會話儲存了它所執行的圖的狀態：

將 tf.session() 作為會話：
initialization = tf.global_variables_initializer()
print y.eval()

在使用tf.variable時，您必須在會話開始時呼叫tf.global_variables_initializer，以明確初始化這些變數，如上所示。

注意：會話可以將圖分發到多個機器上執行（假設程式在某個分布式計算框架上執行）。有關詳情，請參閱分布式 tensorflow。

tensorflow程式設計本質上是乙個兩步流程

輸出 tensorflow 版本

#!/usr/bin/env python
# -*- coding:utf-8 -*-
import tensorflow
print(tensorflow.__version__)

輸出

1.8.0

我們來看看如何編寫乙個將兩個常量相加的簡單 tensorflow 程式

與幾乎所有 python 程式一樣，您首先要新增一些import語句。

當然，執行 tensorflow 程式所需的import語句組合取決於您的程式將要訪問的功能。至少，您必須在所有 tensorflow 程式中新增import tensorflow語句：

import tensorflow as tf

請勿忘記執行前面的**塊（import語句）。

其他常見的 import 語句包括：

import matplotlib.pyplot as plt # 資料集視覺化
import numpy as np              # 低階數字 python 庫
import pandas as pd             # 較高階別的數字 python 庫

tensorflow 提供了乙個預設圖。不過，我們建議您明確建立自己的graph，以便跟蹤狀態（例如，您可能希望在每個單元格中使用乙個不同的graph）。

import tensorflow as tf
# create a graph.
g = tf.graph(
)# establish the graph as the "default" graph.
with g.as_default(
):  # assemble a graph consisting of the following three operations:
#   * two tf.constant operations to create the operands.
#   * one tf.add operation to add the two operands.
x = tf.constant(8, name=
"x_const"
)  y = tf.constant(5, name=
"y_const"
)sum
= tf.add(x, y, name=
"x_y_sum"
)# now create a session.
# the session will run the default graph.
with tf.session(
) as sess:
print sum.eval(
)

輸出

修改上面的**列表，以將三個整數（而不是兩個）相加：

# create a graph.
g = tf.graph(
)# establish our graph as the "default" graph.
with g.as_default(
):  # assemble a graph consisting of three operations. 
# (creating a tensor is an operation.)
x = tf.constant(8, name=
"x_const"
)  y = tf.constant(5, name=
"y_const"
)sum
= tf.add(x, y, name=
"x_y_sum"
)# task 1: define a third scalar integer constant z.
z = tf.constant(4, name=
"z_const"
)# task 2: add z to `sum` to yield a new sum.
new_sum = tf.add(sum, z, name=
"x_y_z_sum"
)# now create a session.
# the session will run the default graph.
with tf.session(
) as sess:
# task 3: ensure the program yields the correct grand total.
print new_sum.eval(
)

TensorFlow 程式設計概念

Tensorflow 基礎概念

TensorFlow 基本概念

TensorFlow程式設計策略

TensorFlow 程式設計概念

Tensorflow 基礎概念

TensorFlow 基本概念

TensorFlow程式設計策略

相關推薦